基于傳感器信息融合的移動(dòng)機(jī)器人定位與地圖創(chuàng)建研究.pdf

1、隨著移動(dòng)機(jī)器人應(yīng)用環(huán)境的日趨復(fù)雜和非結(jié)構(gòu)化,探測(cè)未知環(huán)境已經(jīng)成為移動(dòng)機(jī)器人研究領(lǐng)域中的一個(gè)重要研究方向和基礎(chǔ)性難題。作為移動(dòng)機(jī)器人智能導(dǎo)航和環(huán)境探索研究的重要基礎(chǔ),機(jī)器人在未知環(huán)境中的定位與同時(shí)定位和地圖創(chuàng)建(Simultaneous Localization and Mapping,SLAM)在機(jī)器人技術(shù)領(lǐng)域受到眾多學(xué)者的極大關(guān)注。所謂定位是指機(jī)器人在移動(dòng)過(guò)程中根據(jù)位姿估計(jì)和傳感器數(shù)據(jù)進(jìn)行自身定位；所謂同時(shí)定位和地圖創(chuàng)建,是指機(jī)器人在

2、進(jìn)行自身定位的同時(shí)創(chuàng)建增量式地圖。由于SLAM問(wèn)題的解法可以使機(jī)器人實(shí)現(xiàn)真正的自主導(dǎo)航,因此在過(guò)去十幾年中SLAM問(wèn)題逐漸成為移動(dòng)機(jī)器人領(lǐng)域的研究熱點(diǎn)。
　　 本文在搜集、整理國(guó)內(nèi)外基于傳感器信息融合的移動(dòng)機(jī)器人定位及SLAM研究的相關(guān)文獻(xiàn)資料基礎(chǔ)上,作深入的綜合、分析,并對(duì)其進(jìn)行研究。主要研究工作如下:
　　 (1)基于GP-SRCKF的機(jī)器人定位方法。
　　 針對(duì)卡爾曼濾波算法及其變種過(guò)度依賴(lài)系統(tǒng)動(dòng)態(tài)模型和系

3、統(tǒng)噪聲協(xié)方差的先驗(yàn)知識(shí),使得這些方法在估計(jì)性能上受到很大約束,將高斯過(guò)程(Gauss Process,GP)回歸引入平方根數(shù)值積分卡爾曼濾波器(Square-RootCubature Kalman Filter,SRCKF),提出了一種非確定系統(tǒng)模型的變協(xié)方差GP-SRCKF濾波算法。該方法不需要確定的系統(tǒng)模型,高斯過(guò)程回歸通過(guò)對(duì)采樣數(shù)據(jù)的學(xué)習(xí)得到準(zhǔn)確的系統(tǒng)噪聲協(xié)方差,且在濾波估計(jì)過(guò)程中能實(shí)時(shí)自適應(yīng)調(diào)整,其應(yīng)用范圍和估計(jì)精度都得到了提高

4、。將該方法應(yīng)用于單機(jī)器人定位中,仿真結(jié)果表明該方法有效地提高了定位精度。
　　 (2)基于PSO-PF的機(jī)器人定位方法。
　　 針對(duì)當(dāng)位于高似然區(qū)域的粒子數(shù)目少時(shí),傳統(tǒng)粒子濾波會(huì)發(fā)生樣本貧化,提出一種基于粒子群優(yōu)化(Particle Swarm optimization,PSO)的粒子濾波(Particle Filter,PF)機(jī)器人定位方法。該方法在粒子濾波的預(yù)測(cè)階段采用粒子群優(yōu)化計(jì)算,使得該階段實(shí)時(shí)考慮陸標(biāo)的最新觀(guān)測(cè)

5、信息,驅(qū)動(dòng)所有粒子向高似然概率區(qū)域運(yùn)動(dòng),從而減少樣本貧化的可能性。此外,該方法還運(yùn)用自適應(yīng)重采樣,只在需要時(shí)才進(jìn)行重采樣,減少重采樣的次數(shù),盡量保證好樣本不被刪除,進(jìn)一步提高算法的性能。將該方法應(yīng)用于單機(jī)器人定位和多機(jī)器人協(xié)作定位中,實(shí)驗(yàn)表明該方法提高了機(jī)器人定位精度。
　　 (3)基于DDPF-DDF的機(jī)器人SLAM方法。
　　 針對(duì)FastSLAM中擴(kuò)展卡爾曼濾波器(Extended Kalman Filter,EK

6、F)在估計(jì)中對(duì)非線(xiàn)性系統(tǒng)模型進(jìn)行一階線(xiàn)性化引入較大的線(xiàn)性化誤差和粒子濾波重采樣容易導(dǎo)致樣本貧化等問(wèn)題,提出一種基于DDPF-DDF的SLAM方法。該方法在估計(jì)機(jī)器人位姿時(shí)采用DDPF(Divided Difference ParticleFilter,DDPF),在進(jìn)行路標(biāo)位置估計(jì)和地圖更新時(shí)采用差分濾波器(DividedDifference Filter,DDF)。該方法不需要計(jì)算非線(xiàn)性運(yùn)動(dòng)模型和觀(guān)測(cè)模型的雅可比方程,具有更高的估計(jì)精

7、度,而且采用自適應(yīng)重采樣降低了樣本退化的概率。將該方法應(yīng)用到單機(jī)器人和多機(jī)器人協(xié)作SLAM中,仿真結(jié)果顯示該方法提高了SLAM精度,增強(qiáng)了算法連貫性。
　　 (4)基于改進(jìn)SEIF的機(jī)器人SLAM方法。
　　 針對(duì)稀疏擴(kuò)展信息濾波(Sparse Extended Information Filter,SEIF)采用Markov帶進(jìn)行數(shù)據(jù)關(guān)聯(lián),忽略與機(jī)器人位姿和陸標(biāo)有間接關(guān)系的連接,導(dǎo)致獲取的協(xié)方差估計(jì)過(guò)于自信的問(wèn)題,提出